[논문 리뷰] Towards Accurate Task Accomplishment with Low-Cost Robotic Arms

Yiming Zuo, Weichao Qiu외 4명|arXiv (Cornell University)|2018. 12. 03.

Robot Manipulation and Learning참고 문헌 33인용 수 1

한 줄 요약

이 논문은 3D 모델에서 유도한 합성 데이터를 활용해 저비용 무센서 로봇 암의 3D 자세 추정을 위한 시각 모델을 훈련하기 위한 준지도 학습 도메인 적응 방법을 제안한다. 관점 간 일致성과 관절 키포인트 간 기하 구속 조건을 활용한 반복 최적화를 통해 실제 데이터셋에 대한 강력한 일반화 성능를 달성하며, 실제 이미지 애너테이션 없이도 효과적인 시각 기반 제어를 가능하게 한다. 이는 시뮬레이션된 강화 학습을 통해 실현된다.

ABSTRACT

Training a robotic arm to accomplish real-world tasks has been attracting increasing attention in both academia and industry. This work discusses the role of computer vision algorithms in this field. We focus on low-cost arms on which no sensors are equipped and thus all decisions are made upon visual recognition, e.g., real-time 3D pose estimation. This requires annotating a lot of training data, which is not only time-consuming but also laborious. In this paper, we present an alternative solution, which uses a 3D model to create a large number of synthetic data, trains a vision model in this virtual domain, and applies it to real-world images after domain adaptation. To this end, we design a semi-supervised approach, which fully leverages the geometric constraints among keypoints. We apply an iterative algorithm for optimization. Without any annotations on real images, our algorithm generalizes well and produces satisfying results on 3D pose estimation, which is evaluated on two real-world datasets. We also construct a vision-based control system for task accomplishment, for which we train a reinforcement learning agent in a virtual environment and apply it to the real-world. Moreover, our approach, with merely a 3D model being required, has the potential to generalize to other types of multi-rigid-body dynamic systems.

연구 동기 및 목표

• 센서가 없는 저비용 로봇 암의 시각 모델 훈련 문제를 해결하기 위해 시각적 인식에 의존하는 것.
• 3D 모델에서 유도한 합성 훈련 데이터를 통해 실제 세계 데이터 애너테이션의 비용과 시간을 줄이는 것.
• 도메인 적응을 통해 시뮬레이션 도메인에서 훈련된 시각 모델을 실제 로봇 시스템에서 효과적으로 3D 자세 추정에 활용하는 것.
• 시뮬레이션 환경에서 강화 학습 에이전트를 훈련하고 이를 실제 세계로 전이하여 작업 수행을 위한 시각 기반 제어 시스템을 개발하는 것.
• 오직 3D 모델만을 사용하여 다른 다강체 동역학 시스템에 일반화 가능한 프레임워크를 구축하는 것.

제안 방법

• 로봇 암의 3D 모델을 사용하여 다양한 시각적 관측을 시뮬레이션함으로써 합성 훈련 데이터를 생성한다.
• 키포인트 간 기하 구속 조건을 활용해 일반화 성능를 향상시키는 준지도 학습 접근법을 적용한다.
• 가상 도메인 내 오차를 최소화하고 다양한 시각 간 일관성을 강제함으로써 예측을 반복 최적화 알고리즘으로 개선한다.
• 실제 이미지 애너테이션 없이도 자기지도 학습과 기하 사전 지식을 활용해 가상 도메인과 실제 도메인의 분포를 정렬한다.
• 시뮬레이션 환경에서 작업을 수행하도록 강화 학습 에이전트를 훈련한 후, 실제 로봇에 직접 배포한다.
• 키포인트 기하학적 특성을 활용해 자세 추정과 정책 학습을 동시에 가이드함으로써 강인성을 향상시킨다.

실험 결과

연구 질문

• RQ1 3D 모델에서 유도한 합성 데이터는 실제 세계 애너테이션 없이도 저비용 로봇 암에서 정확한 3D 자세 추정을 가능하게 하는가?
• RQ2 키포인트 간 기하 구속 조건을 활용한 준지도 학습 접근법은 시뮬레이션에서 실제 세계로의 도메인 간 격차를 얼마나 효과적으로 해소하는가?
• RQ3 시뮬레이션에서 훈련된 시각 기반 제어 정책은 실제 로봇 조작 작업에 성공적으로 전이될 수 있는가?
• RQ4 이 방법은 오직 3D 모델만을 사용하여 다른 다강체 시스템으로 얼마나 일반화 가능한가?
• RQ5 실제 이미지 애너테이션을 전혀 사용하지 않을 경우, 이 방법의 실제 데이터셋에서의 성능는 어떠한가?

주요 결과

• 제안된 방법은 실제 세계 데이터셋 두 개에서 실질적인 이미지 애너테이션 없이도 강력한 3D 자세 추정 성능를 달성한다.
• 기하 구속 조건을 활용한 준지도 학습 접근법은 합성 데이터에서 실제 이미지로의 일반화 성능를 높이며, 도메인 이동 시나리오에서 베이스라인 방법보다 뛰어난 성능를 보인다.
• 시뮬레이션에서 훈련된 시각 기반 제어 시스템은 실제 로봇 암에서 작업을 성공적으로 수행하며 효과적인 시뮬레이션에서 실제 세계로의 전이 성능를 입증한다.
• 이 방법은 오직 3D 모델과 기하 사전 지식에 의존하므로 다른 다강체 시스템으로의 일반화 잠재력이 있음을 보여준다.
• 반복 최적화 과정은 가상 도메인 내 키포인트 구성 간 일관성을 강제함으로써 예측 정확도를 향상시킨다.
• 비용이 많이 드는 실제 세계 데이터 수집에 대한 의존도를 줄이면서도 실제 배포 환경에서 높은 성능를 유지한다.